华中科技大学人工智能与自动化学院陶文兵教授团队提出DISC新范式突破3D语义场景补全技术瓶颈

近日，计算机视觉领域国际会议ICCV 2025（International Conference on Computer Vision）接收我校陶文兵教授团队关于3D语义场景补全的最新研究成果”Disentangling Instance and Scene Contexts for 3D Semantic Scene Completion”。该研究提出了一种全新的双流范式DISC（Disentangling Instance and Scene Contexts），通过解耦实例与场景上下文信息，显著提升了自动驾驶环境感知的精度与效率，为实现更安全的自动驾驶系统提供了关键技术支撑。我校陶文兵教授为论文的通讯作者，人工智能与自动化学院硕士研究生刘恩瑀、博士生于恩为论文共同第一作者，博士生陈思佳等人参与了本工作。

图1：不同方法的补全效果对比。融入实例与场景特定信息显著提升了对应类别的预测精度

3D语义场景补全（SSC）作为自动驾驶环境感知的核心任务，旨在从稀疏传感器输入中联合预测场景的完整几何结构与语义信息，为导航决策和障碍物规避提供全面环境认知。近年来，基于视觉的SSC方法因成本优势逐渐成为研究主流，然而传统体素（voxel）方法将体素作为特征交互基本单元，存在类别级信息利用不足的固有局限，导致实例类别易出现遮挡丢失、语义模糊，场景类别则面临结构不连贯等问题。

图2：主要架构对比。DISC的类别基方法与传统体素基方法的关键差异（红棕色高亮）在于：使用语义和几何先验初始化查询，采用双流结构和定制模块实现类别判别式补全

针对这些挑战，研究团队创新性地提出了类别感知的双流架构DISC，彻底摆脱传统体素基范式束缚，在BEV（鸟瞰图）空间中实现实例与场景上下文的解耦优化。该架构通过两个核心模块充分释放类别级信息价值：判别式查询生成器（DQG）和双注意力类别解码器（DACD），从根本上解决了传统方法面临的三大瓶颈：首先是结构信息保留，用独立的实例与场景查询替代体素查询，整合类别专属几何与语义先验；其次是针对性优化，为实例与场景类别设计专用解码模块，分别解决其独特挑战；最后是计算效率提升，通过上下文解耦缓解BEV空间高度轴建模限制，降低计算成本。

图3：DISC主要架构。DISC以单目图像作为输入，使用DQG模块和DACD模块针对性处理实例类别和场景类别的差异化问题。

DQG模块首先基于实例与场景类别的固有属性，在BEV（鸟瞰图）平面为二者分别初始化独立的查询向量。这些查询向量将在后续解码过程中提供丰富的语义信息，从而显著提升特征交互的针对性和效率。研究团队特别指出，相较于3D空间，BEV空间能显著降低模型的显存消耗。然而，传统方法在BEV空间中的一个主要缺陷是高度轴信息的模糊性。例如，在同一BEV网格内，近地面的道路与行人存在显著的高度差异，这会导致3D重建时出现垂直方向上的特征混淆问题。为解决此问题，DISC采用上下文解耦策略，让具有不同高度分布特性的类别在各自独立的处理流中进行学习，从而有效缓解了上述矛盾。

此外，DACD解码器针对实例与场景类别错误的不同根源，设计了两种专业化处理层：1）自适应实例层（AIL）：专注于解决实例类别面临的投影误差与遮挡问题。该层通过动态融合图像特征与场景上下文信息，并利用注意力机制定位及恢复被遮挡的实例细节。例如，当车辆部分被建筑物遮挡时，AIL能够结合场景上下文（如车辆所在的停车位区域）和图像特征（如可见的车轮轮廓），推断出完整的车辆形态。2）全局场景层（GSL）：旨在增强场景类别的全局推理能力，通过建立跨区域特征交互实现。实验结果表明，GSL能有效解决诸如将道路误判为地形等拓扑错误。其核心在于利用注意力机制捕捉远距离场景元素间的关联性，从而确保道路网络预测的连续性与完整性。

研究团队在 SemanticKITTI 和 SSCBench-KITTI-360 两个权威基准数据集上对 DISC 进行了全面评估。实验结果表明，DISC 在两项基准上均取得了最先进（SOTA）性能。尤为突出的是，仅使用单帧图像输入的 DISC 首次超越了依赖多帧输入的现有 SOTA 方法。具体而言，在实例类别的 mIoU（平均交并比）指标上，DISC 相较现有的单帧 SOTA 方法提升了 17.9%，相较多帧 SOTA 方法也提升了 11.7%。为更直观地验证模型效果，研究团队进行了大量的可视化实验。结果显示，DISC 在复杂城市场景中展现出卓越的补全能力：例如，能准确恢复被遮挡行人的完整形态；对于长距离道路，可有效维持其拓扑结构的连续性。这些可视化结果进一步验证了 DISC 方法在 3D 语义场景补全领域的领先性能。